Loading...
تشخیص و ردیابی شی متحرک در تصاویر با شبکه عصبی بازگشتی در MATLAB
در این بخش پروژه تشخیص و ردیابی شی متحرک در تصاویر با شبکه عصبی بازگشتی (RNN) را با نرم افزار MATLAB به همراه کامنت گذاری مختصر کدها و فیلم نحوه اجرا آماده کردیم که در ادامه به توضیحاتی از شبکه عصبی RNN پرداخته و فیلم و تصاویری از خروجی این پروژه پردازش تصویر ، بینایی ماشین و شبکه عصبی قرار داده شده است.
شبکه های عصبی بازگشتی (Recurrent Neural Network – RNN)
شبکه های عصبی بازگشتی (Recurrent Neural Network – RNN) در سال ۱۹۸۰ ایجاد شده است اما فقط در طی چند سال اخیر، در زمینه های مختلفی بسیار مورد استفاده قرار گرفته اند. از عمده دلیل به وجود آمدن چنین رخدادی، می توان به توسعه های انجام شده در طراحی شبکه های عصبی (Neural Networks) بطور عام و همچنین بهبود قابل توجه قدرت محاسباتی و بخصوص بهره وری از قدرت واحد های پردازش موازی (Parallel Computing) کارت های گرافیکی اشاره کرد. چنین شبکه های عصبی به صورت خاص به منظور پردازش داده های سری یا دنباله دار مفید و مناسب بوده و در آن ها هر نورون یا واحد پردازشی می تواند به حفظ حالت داخلی یا همان حافظه جهت حفظ اطلاعات مرتبط با ورودی قبلی بپردازد. این ویژگی به صورت ویژه در کاربرد های مختلف مرتبط با داده های سری اهمیت بسیاری پیدا می کند.
یادگیری با شبکه های عصبی بازگشتی (RNN)
یادگیری با شبکه های عصبی بازگشتی (RNN)، مثل سایر شبکه های عصبی، بهینه ساز NP-hard دشوار می باشد. اما یادگیری در شبکه های بازگشتی می تواند با توجه به مشکلات یادگیری دراز مدت، دشوارتر گردد. مشکلات شناخته شده محو شدگی و متلاشی شدن که باعث انتشار خطا های موجود می شود، در بسیاری از مراحل زمانی، رخ می دهد. در این نوع شبکه ها، یک الگو با تنظیم کردن ارزش های گره ها در شبکه قرار داده می شود. شبکه پس از آن برای برخی از زمان ها اجرا می شود و با توجه به آن قوانین به روز رسانی شده و در آخر یک الگو کشف می شود.
تصاویری از خروجی
هیچ نظری ثبت نشده است